[发明专利]一种基于时序的血压标定方法

说明书

本发明公开了一种基于时序的血压标定方法，采集患者已有的单次血压数据和动态血压数据；对所采集的单次血压数据和动态血压数据分别进行统计与清洗；构建基于单次血压数据的长时序模型和24小时动态血压数据的短时序模型，短时序模型用于对长时序模型中的单次血压数据进行对应的血压修正；经对患者已有血压数据进行若干次深度学习训练后形成血压预估模型；向血压预估模型中输入患者最近一段时间所采集到的血压数据，得到患者当前血压预估值。本发明通过所构建的模型将末次血压的预测值与末次血压实测值趋于一致，即可通过本发明得到的当前血压预测值和当前血压实际值也趋于一致，从而得到当前血压的实际值，更适合于大规模数据验证。

技术领域

本发明涉及血压检测技术领域，具体涉及一种基于时序的血压标定方法。

背景技术

血压检测是对患者进行治疗前的关键检测，随着便携式血压检测仪器在市场上的大量使用，血压检测已成为现有人生活中对自身进行健康检测的一部分，尤其是对于中老年人血压检测患者，血压检测更成为每天血压测量的标配，能在自行血压检测过程中及时发现自身血压及与血压相关的疾病，做到及时准确就医。但是对于某些血压患者，会存在忘记进行血压检测的情况，以至于在发生健康突发事件之前难以做到及时预测，进而发生悲剧。为了解决这种情况的发生，及时对患者的血压做到提前预测，及时发现并提醒血压患者存在的潜在隐患，并给出预警，是非常有必要的。

同时，在当前的时间点上，患者的实际血压是未知的，要获得当前血压实际值，只能进行实际的血压测量，在需要大规模数据验证的时候，实际测量的成本将是高昂、不可承受的。

发明内容

针对现有技术的不足，本发明提供了一种基于时序的血压标定方法，利用患者已有的历史血压数据，对患者当前的血压数值进行预估，使预估值可以作为当前实际血压处理。

本发明采用如下技术方案：

一种基于时序的血压标定方法，采集患者已有的单次血压数据和动态血压数据；对所采集的单次血压数据和动态血压数据分别进行统计与清洗；构建基于单次血压数据的长时序模型和24小时动态血压数据的短时序模型，短时序模型用于对长时序模型中的单次血压数据进行对应的血压修正；经对所采集到的患者已有血压数据进行若干次训练后形成血压预估模型；向血压预估模型中输入患者最近一段时间所采集到的血压数据，得到患者当前血压预估值。

进一步地，经对所采集到的患者已有血压数据进行若干次训练后形成血压预估模型，其具体方法是：针对清洗后的已有血压数据构建训练样本数据集，形成连续若干天内血压数据的时间序列；将所建立的时间序列作为递归神经网络的输入进行深度学习，得到患者时序行为特征及血压预估值；通过设定的滑动窗口方式，经若干次的训练样本数据集训练后得到所构建的血压预估模型。

进一步地，所述的长时序模型和短时序模型是通过递归神经网络训练已有的血压数据构建而成，且在模型构建时所设定的血压标定条件包括：单次血压的变化范围：序列血压平均值±3倍标准差；邻次血压差值的变化范围：末次血压+波动幅度平均值±3倍标准差；昼夜节律波动幅度：(设定时间点的平滑平均值-动态血压全天平均值)/动态血压全天平均值*100％±常量

优选地，所述的单次血压的变化范围：序列血压平均值±2倍标准差；所述的邻次血压差值的变化范围：末次血压+波动幅度平均值±2倍标准差。

单次血压数据的统计与清洗方法具体是:

在收集到的所有患者历史血压数据中随机抽取1天并记为末次时间节点Ty；以Ty为时间节点，向前抽取180天内的所有用户的血压数据；删除测试用户、异常用户及其数据，并删除存在的异常血压数据；对患者用户的测量次数N进行统计，并删除N＜3次，或N＞1000次的患者用户及其数据。

优选地，对患者用户的测量次数N进行统计，并删除一个时间序列内测量次数N＜10次的血压患者用户。

动态血压数据的统计与清洗方法具体是：